¿Puede la inteligencia artificial predecir el tiempo a largo plazo? Un modelo desafía el límite clásico de los 14 días

GraphCast, un modelo de IA desarrollado por DeepMind, logra predicciones meteorológicas fiables de hasta 33 días, duplicando así el límite clásico de la previsión del tiempo.

Por Enrique Coperías

Una inteligencia artificial aplicada a la meteorología logra extender la precisión de los pronósticos del tiempo hasta 33 días, desafiando el histórico límite de los catorce días con la ayuda de modelos como GraphCast. Imagen generada con DALL-E

Un equipo de científicos de la Universidad de Washington, liderado por P. Trent Vonich y Gregory Hakim, ha conseguido lo que durante décadas se creyó imposible: predecir el tiempo con precisión más allá de las dos semanas.

Gracias a un modelo de inteligencia artificial, el horizonte de previsión meteorológica se extiende ahora hasta los 33 días, con mejoras consistentes en la reducción de errores en los pronósticos.

El protagonista de este avance es GraphCast, un modelo de aprendizaje automático desarrollado por DeepMind y optimizado por los investigadores de la citada universidad estadounidense. La técnica empleada consiste en ajustar las condiciones iniciales del modelo climático usando lo que se conoce como descenso por gradiente, una estrategia que permite que el pronóstico se mantenga preciso durante más tiempo.

¿Cuál es el límite actual de la predicción meteorológica?

La noción de que el clima es esencialmente impredecible a largo plazo no es nueva. En 1969, el matemático y meteorólogo estadounidense Edward Lorenz demostró que pequeñas diferencias en las condiciones iniciales podían crecer exponencialmente, lo que abortaba cualquier intento de llevar a cabo una predicción meteorológica más allá de un umbral de tiempo.

Desde entonces, los 14 días se han convertido en un estándar, reforzado por décadas de observaciones y estudios.

Sin embargo, este nuevo estudio, publicado en repositorio en línea de acceso abierto arXiv, demuestra que ese límite no es físico, sino computacional: lo que Vonich y Hakim han demostrado es que, con las herramientas adecuadas, ese horizonte puede expandirse de forma significativa.

Así funciona el modelo de IA GraphCast

El avance técnico radica en un proceso de optimización que, mediante técnicas de descenso por gradiente —habituales en el entrenamiento de redes neuronales—, busca las condiciones iniciales que mejor reproduzcan una secuencia real de evolución atmosférica.

Hay que decir que GraphCast es un modelo de red neuronal entrenado con datos del reanálisis ERA5, y su innovación clave está en cómo ajusta las condiciones iniciales para reducir el error del pronóstico. En lugar de predecir a ciegas desde un punto de partida fijo, GraphCast modifica ligeramente los valores iniciales, como la temperatura, la humedad y el viento, para alinearse mejor con la evolución real del clima.

Así es, en lugar de usar los datos meteorológicos del reanálisis ERA5 tal como vienen, sin tocarlos, el modelo los modifica ligeramente —de forma casi imperceptible— para mejorar de forma significativa cómo evoluciona el pronóstico. Recordemos que el reanálisis ERA5 es básicamente un conjunto de datos atmosféricos elaborado a partir de observaciones reales —de satélites, estaciones meteorológicas, etc— y de modelos numéricos. Es como una fotografía refinada del estado del tiempo en un momento dado.

El equipo de Vonich y Hakim aplicó GraphCast a más de setecientos casos correspondientes a todo el año 2020, y obtuvieron mejoras consistentes en todos los escenarios. Al décimo día, el error de los pronósticos se redujo en un 86% respecto al modelo no optimizado. Pero lo más sorprendente es que la mejora se mantiene incluso hasta el trigésimo día.

«Es como si afináramos un instrumento musical antes de cada concierto —explica Vonich—. La partitura es la misma, pero con una mejor afinación, todo suena más claro durante más tiempo».

GraphCast, un modelo de red neuronal entrenado con datos del reanálisis ERA5, optimiza las condiciones iniciales —como temperatura, humedad y viento— para reducir el error del pronóstico y acercarse con mayor precisión a la evolución real del clima. Cortesía: DeepMind

¿Se puede aplicar a otros modelos de predicción del tiempo?

Para comprobar que las mejoras no eran un artefacto del modelo GraphCast, los investigadores usaron otro sistema completamente distinto, llamado Pangu-Weather, también basado en IA y desarrollado por Huawei, pero con una arquitectura y resolución diferentes.

Aunque los beneficios fueron más modestos —una reducción del error del 21% al cuarto día—, los resultados confirmaron que los ajustes a las condiciones iniciales tienen valor por sí mismos, y no son simples trucos adaptados a un único modelo.

«La capacidad de transferir las mejoras entre modelos meteorológicos de inteligencia artificial diferentes es una fuerte señal de que estamos capturando información real de la atmósfera», señala Hakim.

¿Qué implicaciones tiene esto para la meteorología?

Uno de los hallazgos más interesantes del estudio es que los ajustes realizados sobre las condiciones iniciales no son aleatorios ni caóticos. Al contrario: reflejan patrones climáticos reconocibles, como un fortalecimiento de la circulación de Hadley, el gran cinturón de vientos ascendentes y descendentes que transporta calor desde el ecuador hacia los polos. También se observaron cambios coherentes con eventos como La Niña de 2020, en regiones del Pacífico tropical.

Estos patrones sugieren que el modelo GraphCast no solo mejora la precisión de los datos iniciales, sino que también es capaz de identificar y corregir errores sistemáticos del propio reanálisis climático.

En palabras de Vonich y Hakim, el modelo desafía la noción tradicional de límite de predictibilidad y abre la puerta a una nueva generación de pronósticos meteorológicos potenciados por inteligencia artificial. También sugiere que, con modelos de IA bien entrenados y condiciones iniciales optimizadas, podríamos prever eventos extremos como olas de calor, lluvias torrenciales o sequías con más antelación.

Una selección de las predicciones de GraphCast a lo largo de 10 días mostrando la humedad específica a 700 hectopascales (unos 3 km por encima de la superficie), la temperatura en superficie y la velocidad del viento en superficie.

¿Es fiable este tipo de predicción a largo plazo?

Aunque existe el riesgo de que los modelos de IA caigan en trampas conocidas como ataques adversarios, una técnica conocida en inteligencia artificial que explota vulnerabilidades del modelo para forzar salidas engañosas, los autores del estudio descartan esta posibilidad. El sistema no está siendo falseado, sino que está aprendiendo a reducir errores de forma coherente, incluso cuando parte de datos iniciales poco fiables.

Además, tras cientos de pruebas, el modelo muestra un límite inferior claro en la mejora alcanzable, lo que sugiere que está explorando un espacio físico realista, no simplemente manipulando la salida del sistema.

Esto convierte a la IA no solo en un predictor eficaz, sino también en una herramienta para entender mejor la estructura interna de la atmósfera.

¿Qué sigue ahora?

El siguiente paso será integrar estos avances en modelos operativos de predicción del clima, incluidos los que usan física tradicional. También se está explorando su uso en modelos climáticos acoplados, que incluyen océano y atmósfera, y en aplicaciones como la agricultura, la gestión de desastres y la energía renovable.

Este estudio, liderado por Vonich y Hakim, no solo amplía nuestro horizonte meteorológico, sino que también señala una nueva frontera: una en la que la inteligencia artificial y la ciencia climática trabajan juntas para anticiparse al futuro.

En palabras de Vonich, «el verdadero límite no es cuánto podemos predecir, sino cuánto esfuerzo estamos dispuestos a invertir en entender mejor el punto de partida». ▪️

• Fuente: P. Trent Vonich et al. Testing the Limit of Atmospheric Predictability with a Machine Learning Weather Mode. arXiv (2025). DOI:
  https://doi.org/10.48550/arXiv.2504.20238